CN108363493B - 基于脑机接口的用户特征模型建立方法、系统及存储介质 - Google Patents
基于脑机接口的用户特征模型建立方法、系统及存储介质 Download PDFInfo
- Publication number
- CN108363493B CN108363493B CN201810230215.0A CN201810230215A CN108363493B CN 108363493 B CN108363493 B CN 108363493B CN 201810230215 A CN201810230215 A CN 201810230215A CN 108363493 B CN108363493 B CN 108363493B
- Authority
- CN
- China
- Prior art keywords
- motor imagery
- brain
- electroencephalogram signals
- instantaneous
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Dermatology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于脑机接口的用户特征模型建立方法、系统及存储介质,所述方法包括:对运动想象脑电信号进行采集,对采集的运动想象脑电信号进行预处理;对经过预处理的运动想象脑电信号进行傅里叶变换得到频谱,同时对预处理的运动想象脑电信号进行希尔伯特黄变换得到瞬时振幅和瞬时相位,对频谱、瞬时振幅和瞬时相位进行特征提取;利用遗传算法对提取的特征进行特征筛选,利用筛选的特征对分类器进行训练;将训练好的分类器作为用户特征模型输出。从而提高模型的准确率和稳定性;不同用户脑电信号差异性较大,针对特定的用户,确定脑电信号最优特征的模型。
Description
技术领域
本发明涉及脑机接口技术领域,特别是涉及基于脑机接口的用户特征模型建立方法、系统及存储介质。
背景技术
脑-机接口(brain-computer interface,BCI)是在人脑与外部设备之间建立的直接交流通道.通过这种通道,人能直接通过大脑向外部设备发出命令,而不需语言或动作的支持,可以有效增强用户与外界交流或控制外部环境的能力,从而提高患者的生活质量.鉴于其巨大的应用前景,脑机接口已经引起国际科学界的高度重视,成为了脑科学、康复工程、生物医学工程及人机控制领域的一个研究热点。
在所有能够被监测到的反映大脑活动的信号中,由于脑电信号(Electroencephalogram,EEG)具有较好的时间分辨率,监测仪器较简单,非入侵等优点,被大部分脑机接口系统所采纳。识别大脑不同命令对应的EEG,从而控制机器实现命令。但是,EEG信号具有非线性非平稳、空间分辨率低(厘米级)、信噪比低和易受强伪迹的干扰(如工频干扰、眼球运动引起的眼电、肌肉运动引起的肌电等)的特点,这给不同脑电模式的提取和识别提出了巨大的挑战.
目前的脑电特征模型对所有用户都是固定的,即特征数量、种类及通道选择,一旦系统选定,则所有用户都使用这一个特征模型。由于脑电信号的复杂性,有研究表明,不同用户对脑电信号的特征差异性很大,固定特征提取模型无法体现用户个体的差异性,因此降低了脑机接口系统的分类精度和准确性。
发明内容
为了解决现有技术的不足,本发明提供了基于脑机接口的用户特征模型建立方法、系统及存储介质,为用户建立脑电信号特征模型,综合考虑不同特征,从而提高模型的准确率和稳定性;不同用户脑电信号差异性较大,针对特定的用户,确定脑电信号最优特征的模型;
第一方面,本发明提供了基于脑机接口的用户特征模型建立方法;
基于脑机接口的用户特征模型建立方法,包括:
对运动想象脑电信号进行采集,对采集的运动想象脑电信号进行预处理;
对经过预处理的运动想象脑电信号进行傅里叶变换得到频谱,同时对预处理的运动想象脑电信号进行希尔伯特黄变换得到瞬时振幅和瞬时相位,对频谱、瞬时振幅和瞬时相位进行特征提取;
利用遗传算法对提取的特征进行特征筛选,利用筛选的特征对分类器进行训练;
将训练好的分类器作为用户特征模型输出。
进一步的,所述基于脑机接口的用户特征模型建立方法,还包括:
应用用户特征模型时,对待分类运动想象脑电信号同样进行预处理、变换、特征提取和特征筛选后,利用筛选的特征输入到用户特征模型中,得到分类结果。
进一步的,所述对运动想象脑电信号进行采集,包括:
利用脑机接口,采集用户在设定运动想象种类和设定时间条件下的脑电信号;将采集的运动想象脑电信号与对应的运动想象种类标签存储。
所述运动想象种类,包括:想象左手运动、想象右手运动、想象左脚运动、想象右脚运动或想象头部转动等等。
进一步的,所述对采集的运动想象脑电信号进行预处理,包括:
对采集的运动想象脑电信号进行带通滤波。
进一步的,所述对采集的运动想象脑电信号进行带通滤波,是指:
保留Mu节律和Beta节律的运动想象脑电信号。
进一步的,所述对经过预处理的运动想象脑电信号进行希尔伯特黄变换得到瞬时振幅和瞬时相位,包括:
对经过预处理的运动想象脑电信号进行经验模态分解得到瞬时振幅;对瞬时振幅进行希尔伯特变换得到瞬时相位。
进一步的,所述对经过预处理的运动想象脑电信号进行经验模态分解得到瞬时振幅,包括:
1)对经过预处理的运动想象脑电信号求取所有的极大值点和极小值点;
2)对极大值点和极小值点采用三次样条插值函数进行拟合,求上包络和下包络的均值函数,进而求出经过预处理的运动想象脑电信号与上下包络线均值的差值h;
3)考察h是否满足本征模态函数IMF条件,如果满足,则把h作为第1个本征模态函数IMF;求出经过预处理的运动想象脑电信号与本征模态函数IMF的差值r;
否则,对h进行步骤1)和步骤2)操作,直到满足本征模态函数IMF条件,求得第1个本征模态函数IMF;求出经过预处理的运动想象脑电信号与本征模态函数IMF的差值r;
4)把差值r作为待分解的信号,直到r为单调信号或者只存在一个极点为止,则经过预处理的运动想象脑电信号f(t)的表达式如下:
其中,Ci(t)表示第i次筛选得到的IMF分量,N为筛选次数,Rn(t)为最终的剩余分量;
脑电信号经过经验模态分解EMD,得到分解后的固有模态函数f(t),取固有模态函数f(t)的前三个系数的加和作为脑电信号的瞬时振幅a(t):
IMF同时满足如下两个条件:
1)信号极值点的数量与零点数相等或相差1;
2)信号的由极大值定义的上包络和由极小值定义的下包络的局部均值为0。
进一步的,所述对瞬时振幅进行希尔伯特变换得到瞬时相位,包括:
对瞬时幅值a(t)进行希尔伯特变换,公式如下:
脑电信号的瞬时相位为p(t):
进一步的,所述对频谱、瞬时振幅和瞬时相位进行特征提取,包括:
提取基于时域的特征、基于相位的特征和基于频谱的特征。
所述基于时域的特征,包括:熵、能量均值和标准方差;
所述基于相位的特征,包括:锁相值;
所述基于频谱的特征,包括:带宽和各频率的加权平均值。
进一步的,利用遗传算法对提取的特征进行特征筛选的步骤为:
步骤(1):种群初始化:设置种群包括若干个个体,每个个体有若干个基因;
每个个体的基因个数=通道数*特征数;
所述通道数,是指用于脑电信号采集的电极帽的数量,一个电极帽对应一个通道;每个通道采集六个脑电特征;所述六个脑电特征,包括:熵、能量均值、标准方差、锁相值、各频率加权之后的平均值和带宽;
步骤(2):设定适应度函数:采用分类器输出结果分类准确率作为适应度函数的值,适应度函数的值越高,说明当前通道的当前特征包含的有用信息越多,被选择的概率就越大;
步骤(3):编码:每一个基因被设定为0或者1,0代表当前脑电采集通道的当前特征没有被选择,1则代表当前通道的当前特征被选择;
步骤(4):种群的选择、交配和变异:
运用轮盘赌方法以设定的概率筛选出优秀的个体,即各个个体被选中的概率与其适应度大小成正比;
并且将优秀的个体进行交配运算,即优秀个体的编码都以设定的概率进行互换,从而产生新的个体;
随后,每个基因都以设定概率发生变异,即0以设定的概率变为1,1以设定的概率变为0;
步骤(5):解码:根据步骤(3)基因的编码,将每个个体的二进制编码转换为每个特征是否被选择的信息;
步骤(6):适应度计算:用被选择的特征及其标签训练和测试分类器,得出测试正确率作为个体的适应度;
步骤(7):判断是否满足停止准则:求出当前代中最优的适应度,当最优适应度函数值在设定个代中未变大,则停止迭代,取整个进化迭代过程中最优适应度函数值对应的特征作为模型的最终特征;否则,回到步骤(3)继续迭代。
进一步的,所述利用筛选的特征对分类器进行训练,包括:
将筛选的特征和运动想象种类标签,送入分类器中,对分类器进行训练。
所述分类器包括:神经网络分类器、支持向量机分类器、线性判别分析分类器或朴素贝叶斯分类器。
第二方面,本发明提供了基于脑机接口的用户特征模型建立系统;
基于脑机接口的用户特征模型建立系统,包括:存储器、处理器和存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
第三方面,本发明提供了一种计算机可读存储介质;
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本发明的有益效果是:
1)分类精度高:本发明用遗传算法选择特征,不但保留了有效的特征,并且剔除了不稳定且干扰最后分类效果的特征,从而极大提高了分类的准确率。
2)稳定性高:建立的模型在时域、相位和频域提取了6个有效的特征,当其中一个特征受到干扰时,根据其他特征仍会得到正确的分类结果,使得脑电的分类不易收到干扰而降低准确性。
3)针对性强:不同用户的脑电特点不同,具有明显的个体差异性,这是导致脑电识别不准的重要原因之一。而建立的模型针对不同用户,通过遗传算法自动提取出最有效的特征,从而解决了脑电个体差异性的问题。
4)应用广泛:建立的模型可应用于各类脑电的识别,对于特殊脑电仅需要改变具体特征和频带即可。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程图;
图2为遗传算法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
专业术语解释:脑机接口(Brain Computer Interface,BCI),希尔伯特黄变换(Hilbert-Huang Transform,HHT),遗传算法(Genetic Algorithm,GA)。
本算法的整体流程如图1所示。本发明对测得数据进行信号预处理,再通过傅里叶变化和希尔伯特黄变换得到时域、频域和相位信息,随后计算了对每个通道都计算了六个特征。然后,本发明用遗传算法筛选最有效的特征集F,用筛选出的特征及其对应的标签训练分类器,即得了用户特征模型-最优的特征集合及其对应的分类器。当应用用户特征模型时,仅需对采集的信号进行信号的预处理和转换后,提取出最有效的特征集F,应用训练时已经训练好的分类器即可得到分类结果。详细步骤如下:
步骤一、训练脑电信号采集
在训练模式下,让用户按照既定的运动想象种类及时间进行指定的脑电状态,并同时进行运动想象脑电信号采集,将此运动想象脑电信号与其对应的运动想象种类标签输送到下一步;
步骤二、信号预处理
不同种类脑电存在的频带不同,所以需要进行脑电对应频带的带通滤波。以运动想象脑电识别为例:与运动想象相关的脑电信号大多集中于Mu节律(8~13Hz)和Beta(14~30Hz)节律,因此对采集到的脑电信号进行8~30Hz带通滤波,滤除处于多余频带的信号。
步骤三、信号变换
为了提取时域、相位和频域特征,本发明对所有通道的信号分别进行FFT变换与HHT(Hilbert-Huang Transform)变换。
(1)FFT变换可以用来得到频谱p(w):公式如下:
上式中,f(t)是预处理后的脑电信号。
(2)HHT变换可以帮助提取瞬时振幅a(t)和瞬时相位p(t)。其中,HHT变换包含经验模态分解和希尔伯特变换两步:
①经验模态分解(Empirical Mode Decomposition,EMD)是为了获得本征模态函数(Intrinsic modefunction,IMF),它具有自适应性、正交性、完备性、IMF分量的调制特性。
IMF满足如下两个条件:
1)信号极值点的数量与零点数相等或相差1;
2)信号的由极大值定义的上包络和由极小值定义的下包络的局部均值为0。
本发明拟用经验模态分解(Empirical Mode Decomposition,EMD)计算瞬时振幅a(t),具体过程如下:
1)对输入信号求取所有的极大值点和极小值点;
2)对极大值点和极小值点采用三次样条函数进行拟合,求上、下包络的曲线,计算均值函数,进而求出待分析信号和均值的差值h;
3)考察h是否满足IMF条件,如果满足,则把h作为第1个IMF;否则,对其进行步骤1)和步骤2)操作,直到第k步满足IMF条件,然后求得第1个IMF,求出原信号与IMF的差值r;
4)把差值r作为待分解的信号,直到剩余的r为单调信号或者只存在一个极点为止,得到的表达式如下:
其中,Ci(t)表示第i次筛选得到的IMF分量,N为筛选次数,Rn(t)为最终的剩余分量。
脑电信号经过经验模态分解EMD,得到分解后的固有模态函数,取前三个固有模态函数的系数作为脑电信号的瞬时振幅a(t);
5)计算瞬时幅值,取前三个固有模态函数的系数作为脑电信号的瞬时振幅a(t),具体公式如下:
②希尔伯特变换:经验模态分解EMD过程后,对瞬时幅值a(t)进行希尔伯特变换,公式如下:
那么,脑电信号的瞬时相位为p(t):
步骤四、特征计算
对经过预处理与变换后,得到了频谱F(w)、瞬时幅值a(t)和瞬时相位p(t)的脑电信号,进行所有通道的多特征提取,本发明在时域、相位和频域拟选择了6个特征进行以下特征提取,计算方法具体见表1。
表1特征计算列表
步骤五、遗传算法筛选特征
由于某些通道的某些特征并不包含特定运动想象的信息,或者包含得较少。如果将所有通道的所有特征都输送进分类器,不仅浪费了计算资源和时间,还有可能由于这些信息量少的信息,将特征明显的信息进行遮盖,影响了最终的分类结果,因此就有必要进行通道、特征的选择。本项目拟采用遗传算法进行有效通道和特征的选择。遗传算法流程见图2,具体步骤如下:
①种群初始化:种群大小设定为100个个体,每个个体有(通道数*特征数)个数的基因,并且随机产生100个个体。其中,种群大小可根据具体情况进行设置。
②设定适应度函数:本发明拟采用分类器输出结果分类准确率作为适应度函数,分类器与步骤七相同分类器。适应度函数越高,说明此通道的此特征包含的有用信息越多,在下一步遗传过程中被选择的概率就越大。
③编码:每一个基因被设定为0或者1,0代表此通道的此特征没有被选择,1则代表被选择;
④种群的选择、交配和变异:运用轮盘赌方法以一定的概率筛选出优秀的个体,即各个个体被选中的概率与其适应度大小成正比;并且优秀的个体进行交配运算,即优秀个体的编码都以一定的概率进行互换,从而产生新的个体;随后,每个基因都以一定概率发生变异,即0以一定的概率变为1,1个体变为0.
⑤解码:根据基因的编码,将每个个体的二进制编码转换为每个特征是否被选择的信息。
⑥适应度计算:对每一个个体被选择的特征及其标签训练和测试分类器,得出测试正确率作为个体的适应度。
⑦判断是否满足停止准则:求出当代中最优的适应度,当最优适应度函数值在10代中未变大,则停止迭代,取整个进化迭代过程中最优适应度函数值对应的特征作为模型的最终特征F。否则,回到③继续迭代。
步骤六、训练分类器
将最终的特征F及其相应的运动想象标签送至分类器,进行分类器的训练。对脑电信号特征分类的算法有神经网络、支持向量机、线性判别式分析和朴素贝叶斯等等分类器。本发明可以采用支持向量机作为例。
步骤七、用户特征模型输出
经过上述步骤,建立了用户特征模型,即确定了最终选定的特征F和训练了对应的分类器。在用户应用时,将采集到的脑电信号进行预处理和变换,计算由遗传算法确定的特征F,训练好的分类器根据计算出的特征得到脑电识别的结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于脑机接口的用户特征模型建立方法,其特征是,包括:
对运动想象脑电信号进行采集,对采集的运动想象脑电信号进行预处理;
对经过预处理的运动想象脑电信号进行傅里叶变换得到频谱,同时对预处理的运动想象脑电信号进行希尔伯特黄变换得到瞬时振幅和瞬时相位,对频谱、瞬时振幅和瞬时相位进行特征提取;
利用遗传算法对提取的特征进行特征筛选,利用筛选的特征对分类器进行训练;
将训练好的分类器作为用户特征模型输出;
其中,利用遗传算法对提取的特征进行特征筛选的步骤为:
步骤(1):种群初始化:设置种群包括若干个个体,每个个体有若干个基因;
每个个体的基因个数=通道数*特征数;
所述通道数,是指用于脑电信号采集的电极帽的数量,一个电极帽对应一个通道;每个通道采集六个脑电特征;所述六个脑电特征,包括:熵、能量均值、标准方差、锁相值、各频率加权之后的平均值和带宽;
步骤(2):设定适应度函数:采用分类器输出结果分类准确率作为适应度函数的值,适应度函数的值越高,说明当前通道的当前特征包含的有用信息越多,被选择的概率就越大;
步骤(3):编码:每一个基因被设定为0或者1,0代表当前脑电采集通道的当前特征没有被选择,1则代表当前通道的当前特征被选择;
步骤(4):种群的选择、交配和变异:
运用轮盘赌方法以设定的概率筛选出优秀的个体,即各个个体被选中的概率与其适应度大小成正比;
并且将优秀的个体进行交配运算,即优秀个体的编码都以设定的概率进行互换,从而产生新的个体;
随后,每个基因都以设定概率发生变异,即0以设定的概率变为1,1以设定的概率变为0;
步骤(5):解码:根据步骤(3)基因的编码,将每个个体的二进制编码转换为每个特征是否被选择的信息;
步骤(6):适应度计算:用被选择的特征及其标签训练和测试分类器,得出测试正确率作为个体的适应度;
步骤(7):判断是否满足停止准则:求出当前代中最优的适应度,当最优适应度函数值在设定个代中未变大,则停止迭代,取整个进化迭代过程中最优适应度函数值对应的特征作为模型的最终特征;否则,回到步骤(3)继续迭代。
2.如权利要求1所述的基于脑机接口的用户特征模型建立方法,其特征是,还包括:
应用用户特征模型时,对待分类运动想象脑电信号同样进行预处理、变换、特征提取和特征筛选后,利用筛选的特征输入到用户特征模型中,得到分类结果。
3.如权利要求1所述的基于脑机接口的用户特征模型建立方法,其特征是,所述对运动想象脑电信号进行采集,包括:
利用脑机接口,采集用户在设定运动想象种类和设定时间条件下的脑电信号;将采集的运动想象脑电信号与对应的运动想象种类标签存储。
4.如权利要求1所述的基于脑机接口的用户特征模型建立方法,其特征是,所述对采集的运动想象脑电信号进行预处理,包括:
对采集的运动想象脑电信号进行带通滤波。
5.如权利要求4所述的基于脑机接口的用户特征模型建立方法,其特征是,
所述对采集的运动想象脑电信号进行带通滤波,是指:
保留Mu节律和Beta节律的运动想象脑电信号。
6.如权利要求1所述的基于脑机接口的用户特征模型建立方法,其特征是,所述对经过预处理的运动想象脑电信号进行希尔伯特黄变换得到瞬时振幅和瞬时相位,包括:
对经过预处理的运动想象脑电信号进行经验模态分解得到瞬时振幅;对瞬时振幅进行希尔伯特变换得到瞬时相位。
7.如权利要求1所述的基于脑机接口的用户特征模型建立方法,其特征是,所述对频谱、瞬时振幅和瞬时相位进行特征提取,包括:
提取基于时域的特征、基于相位的特征和基于频谱的特征;
所述基于时域的特征,包括:熵、能量均值和标准方差;
所述基于相位的特征,包括:锁相值;
所述基于频谱的特征,包括:带宽和各频率的加权平均值。
8.基于脑机接口的用户特征模型建立系统,其特征是,包括:存储器、处理器和存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-7任一所述的步骤。
9.一种计算机可读存储介质,其特征是,其上存储有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-7任一所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230215.0A CN108363493B (zh) | 2018-03-20 | 2018-03-20 | 基于脑机接口的用户特征模型建立方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230215.0A CN108363493B (zh) | 2018-03-20 | 2018-03-20 | 基于脑机接口的用户特征模型建立方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363493A CN108363493A (zh) | 2018-08-03 |
CN108363493B true CN108363493B (zh) | 2021-08-27 |
Family
ID=63000658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810230215.0A Active CN108363493B (zh) | 2018-03-20 | 2018-03-20 | 基于脑机接口的用户特征模型建立方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363493B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109330613A (zh) * | 2018-10-26 | 2019-02-15 | 蓝色传感(北京)科技有限公司 | 基于实时脑电的人体情绪识别方法 |
CN109656365B (zh) * | 2018-12-19 | 2021-03-30 | 东南大学 | 一种基于实时闭环振动刺激增强的脑机接口方法及系统 |
CN109993132B (zh) * | 2019-04-04 | 2021-07-13 | 北京理工大学 | 一种基于脑电信号的图形识别生成方法及系统 |
CN110955330B (zh) * | 2019-11-22 | 2021-05-18 | 燕山大学 | 基于复杂对象控制的高唤醒度的脑电意图辨析方法 |
CN112668402A (zh) * | 2020-12-09 | 2021-04-16 | 山东大学 | 基于希尔伯特黄变换和支持向量机优化的脑电波分析方法 |
CN113974650B (zh) * | 2021-06-29 | 2024-06-14 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
CN113849067A (zh) * | 2021-09-26 | 2021-12-28 | 华东理工大学 | 基于经验模态分解的运动想象人工数据生成方法及装置 |
CN115421597B (zh) * | 2022-11-04 | 2023-01-13 | 清华大学 | 一种基于双脑耦合特征的脑机接口控制方法及系统 |
CN116849942A (zh) * | 2023-07-28 | 2023-10-10 | 中国医学科学院生物医学工程研究所 | 一种脑控智能升降翻身的多功能医疗护理床 |
CN117814756A (zh) * | 2024-01-10 | 2024-04-05 | 湖北大学 | 一种基于深度学习检测模型的特征处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
WO2014018661A1 (en) * | 2012-07-24 | 2014-01-30 | Cerephex Corporation | Method and apparatus for diagnosing and assessing central pain |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN107247893A (zh) * | 2017-05-10 | 2017-10-13 | 广东工业大学 | 一种基于遗传算法降维的脑电身份识别方法 |
CN107315478A (zh) * | 2017-07-05 | 2017-11-03 | 中国人民解放军第三军医大学 | 一种运动想象上肢智能康复机器人系统及其训练方法 |
-
2018
- 2018-03-20 CN CN201810230215.0A patent/CN108363493B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
WO2014018661A1 (en) * | 2012-07-24 | 2014-01-30 | Cerephex Corporation | Method and apparatus for diagnosing and assessing central pain |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN107247893A (zh) * | 2017-05-10 | 2017-10-13 | 广东工业大学 | 一种基于遗传算法降维的脑电身份识别方法 |
CN107315478A (zh) * | 2017-07-05 | 2017-11-03 | 中国人民解放军第三军医大学 | 一种运动想象上肢智能康复机器人系统及其训练方法 |
Non-Patent Citations (1)
Title |
---|
脑机接口技术的研究现状及发展趋势;高诺等;《机器人技术与应用》;20080831(第4期);第16-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363493A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
Zerafa et al. | To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs | |
US20200237246A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN109199414B (zh) | 一种基于脑电信号的视听诱发情绪识别方法及系统 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN111134666A (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
CN110680313B (zh) | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 | |
CN107169462B (zh) | 一种基于层次分析的脑电信号特征分类的二分类方法 | |
CN110974212A (zh) | 一种融合心电和肌电特征的康复训练运动状态监测方法及系统 | |
CN107301409B (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN114415842B (zh) | 一种基于位点等效增强的脑机接口解码方法及装置 | |
CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN115813408A (zh) | 一种用于脑电信号分类任务的Transformer编码器自监督学习方法 | |
CN113887397A (zh) | 基于海洋捕食者算法的电生理信号的分类方法及分类系统 | |
Liu et al. | Motor Imagery tasks EEG signals classification using ResNet with multi-time-frequency representation | |
KR101619973B1 (ko) | 스펙트럼 분석과 벡터 양자화를 이용한 운동 상상 뇌전도 판별 방법 및 판별 시스템 | |
Yarga et al. | Efficient spike encoding algorithms for neuromorphic speech recognition | |
CN114384999A (zh) | 基于自适应学习的用户无关肌电手势识别系统 | |
Yang et al. | EEG classification for BCI based on CSP and SVM-GA | |
Gutiérrez et al. | EEG data classification through signal spatial redistribution and optimized linear discriminants | |
CN111012337B (zh) | 基于脑网络和正则化判别分析的脑电分析方法 | |
Ayoobi et al. | Unsupervised motor imagery saliency detection based on self-attention mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |